CPMAIのデータ理解とデータ準備の段階では、ヘルスケアなどの分野におけるAIの成功は、モデリングを開始する前に一貫性、品質、およびアクセス性を確保する堅牢なデータパイプラインにかかっていることが強調されている。
ガイダンスでは、これらの段階は、データのプロファイリングと評価を行い、その後、データが信頼性が高く、下流のモデルで使用できるように、データのクリーニング、変換、構造化を実行することであると説明されています。
データ品質評価とETL（抽出、変換、ロード）プロセスを組み合わせることで、これらの目標を直接的にサポートできます。ETLパイプラインは、異なるシステム間でフォーマットを標準化し、検証ルールを適用し、欠損値を管理し、コーディングスキーム（診断コードなど）を統一し、アクセス可能なストアにデータを一元化します。これはまさに、CPMAIが効果的なモデル開発の前提条件として挙げている基礎的な作業であり、特に医療などの規制分野では、データの不整合やアクセス不能が臨床的および規制上の影響を及ぼす可能性があるため、非常に重要です。
対照的に、NLPを使用してレコードを標準化する（B）は、後々役立つ可能性のある特殊な技術ですが、体系的な品質管理およびETLプロセスに取って代わるものではありません。EHRとMLアルゴリズムを統合する（C）ことや、ハイブリッドクラウドストレージを設計する（D）ことは、初期データの一貫性とアクセス性を定義して確保することよりも、後々の技術的な統合とインフラストラクチャに関するものです。したがって、CPMAIのデータ中心のガイダンスに沿って、ETLプロセスを使用してデータ品質評価を実施することが正しい方法であり、選択肢Aが最良の回答となります。

PMI-CPMAIは重要な原則を強調しています。反復的で決定論的、かつ十分に理解されているタスクが従来のソフトウェアや自動化で処理できる場合、多くの場合、AIソリューションよりも拡張性が高く、複雑さが少なく、管理しやすいというものです。プロジェクトマネージャーは、AIに安易に移行する前に、ルールベースまたは従来型の自動化で現在および将来のワークロード需要を満たせるかどうかを評価することが推奨されます。
反復的で単調なタスクの場合、パフォーマンス監視機能を備えた従来型のソフトウェアソリューション（オプションB）は、比較的予測可能な動作で水平方向に拡張（インスタンス数、サーバー数の増加）できます。ライフサイクルの複雑さを軽減し、モデルのトレーニング、ドリフト、再トレーニングパイプラインが不要になり、テストと検証も簡素化されます。PMI-CPMAIの資料では、このような非認知型自動化は、特にロジックが安定しており、環境が急速に変化しない場合に、最も堅牢で保守しやすく、費用対効果の高いアプローチとなることが多いと説明されています。
オプションAとCは、必要以上に複雑さを増します。認知型自然言語処理（NLP）や、手作業によるルール更新は、メンテナンスの負担を増やし、拡張性を低下させます。オプションD（AIと人間の監視による半自動化）は、リスクの高い認知タスクには有効ですが、単純な処理で大量のデータに対応する拡張性を確保することが主な目的である場合は理想的ではありません。したがって、不必要な複雑さを避けつつ拡張性を確保する最も適切な方法は、定期的なパフォーマンス監視を備えた従来型のソフトウェアソリューションを利用することです。

金融機関向けのAI不正検出において、PMI-CPMAIに準拠した手法では、モデルの信頼性と規制遵守の基盤として、データの品質、完全性、関連性を重視しています。
チームは様々な内部および外部データソースにアクセスできるため、包括的なデータ監査とデータクレンジングプロセスを実施するのが適切な方法です。
データ監査では、各データソースの正確性、一貫性、適時性、主要な不正パターンの網羅性、およびビジネス要件と規制要件との整合性を体系的に検証します。また、欠損値、重複、システム間の不整合、潜在的な偏り（特定の顧客セグメントや地域の過小評価など）もチェックします。その後、データクレンジングによって、重複排除、正規化、必要に応じた補完、使用できないレコードや誤解を招くレコードの削除などを行い、特定された問題に対処します。このプロセスにより、AIソリューションのトレーニングと運用に使用されるデータが、現実世界の取引や不正行為を真に反映し、信頼性が高く説明可能な結果を​​もたらすことが保証されます。
データを内部ソースのみに限定する（オプションB）と、特に信頼できる外部データ（監視リスト、コンソーシアムデータなど）によって検出精度が向上する場合、網羅性と予測力が不必要に低下する可能性があります。データを「そのまま」統合する（オプションC）と、適切なAIガバナンスに反し、モデルのパフォーマンス低下や規制上の懸念のリスクが大幅に高まります。カスタマイズせずに事前学習済みモデルを使用する（オプションD）と、組織独自のデータや不正パターンとの整合性の必要性が無視されます。したがって、これらの目標に直接的に対応する方法は、包括的なデータ監査とデータクレンジングプロセスを実施することです。

PMI-CPMAIフレームワークでは、AIが必要かどうかを判断する第一歩として、問題が実際にパターン認識、予測、異常検知、確率的推論、最適化といった認知能力を必要とするかどうか、つまり従来のルールベースや統計的手法を超えた能力を必要とするかどうかを評価する。PMIはこの診断ステップを「タスクの認知負荷を評価し、AIが従来の自動化を超えて付加価値をもたらす箇所を特定すること」と定義している。このガイダンスでは、タスクが決定論的ソリューションや非AIソリューションの能力を超える複雑さ、変動性、不確実性を伴う場合にのみ、AIを導入すべきであると強調している。
PMI-CPMAIの「AIの準備状況とユースケース評価」セクションによると、AIの適切性を判断する最初のステップは、「分類、予測、推論、意思決定支援など、必要な認知機能を特定し、これらの機能をビジネスプロセスの具体的な課題にマッピングすること」です。これにより、組織は単にAIが利用可能だからという理由ではなく、運用上の課題に対する適切な技術的解決策であるという理由でAIを採用することが保証されます。PMIは、AIが正当化されるのは「タスクがデータパターンからの学習、または最小限の人的介入によるコンテキスト認識型の意思決定を必要とする場合」に限られると強調しています。拡張性（B）と費用対効果分析（C）は後の段階で重要な検討事項ですが、AIがそもそも必要かどうかという根本的な問いには答えていません。非認知手法とAI手法を区別するオプションDは、AIが実行する認知タスクを明確に特定しない限り、補助的ではありますが十分ではありません。

PMI-CPMAIでは、AIライフサイクル全体を通して、継続的なモニタリングとパフォーマンス管理が重要な責務とされています。かつては良好なパフォーマンスを発揮していたモデルが、後にエラー率の上昇を示す場合、多くの場合、データドリフトやコンセプトドリフトといった問題が発生します。これは、実際のデータ分布や根底にある関係性が、トレーニングデータと比較して変化する状況です。PMI-CPMAIのガイダンスでは、このようなパフォーマンス低下の根本原因を特定するには、入力される本番データが過去のデータやトレーニングデータとどのように異なるかを検証する必要があると強調しています。
プロジェクトチームは、実世界のデータの分布を分析して潜在的な変化を検出することで、パフォーマンス低下の原因となっている可能性のある主要な入力特徴、人口特性、使用パターン、またはラベル定義の変化を検知できます。これは、特徴分布、安定性指標、セグメントレベルのパフォーマンスを時系列で監視するなど、AI運用（MLOps）における推奨される実践方法と一致しています。
アーキテクチャの見直しや正規化の強化といったその他の対策は、設計レベルの変更であり、環境の変化を確認することなく症状に対処するものです。同様に、技術的なバグが疑われる場合には前処理パイプラインのチェックが有効ですが、本稿では、実際の運用環境で徐々に、あるいは予期せずパフォーマンスが低下した場合の原因を特定することに焦点を当てています。PMI-CPMAIは、このようなシナリオではデータとコンテキストのドリフト分析が主要な診断ステップであると強調しています。したがって、最も適切な対策は、実世界のデータの分布を分析して潜在的な変化を特定することです。